Modelli di continual machine learning per la cybersecurity adattativa

Il Continual Learning rappresenta una frontiera innovativa del Machine Learning, consentendo l'aggiornamento incrementale dei modelli senza necessità di riaddestramento completo. Questa tesi di ricerca esplora l'applicazione del Continual Learning alla Cybersecurity, con particolare attenzione ai Network Intrusion Detection System (NIDS). Nonostante il suo potenziale, il Continual Learning è poco adottato nella Cybersecurity e la letteratura sull'argomento è limitata. L'obiettivo di questa tesi è dimostrare come un approccio adattativo possa migliorare l'efficienza e la reattività di tali sistemi, riducendo i tempi di aggiornamento e contrastando efficacemente attacchi non precedentemente osservati. È stato realizzato un framework per eseguire addestramenti incrementali e valutare le performance dei modelli simulando il più posssibile scenari realistici, non sempre considerati in altri lavori. Sono state confrontate metodologie esistenti con un approccio innovativo sviluppato durante questa ricerca. Gli esperimenti, condotti in contesti semplici e complessi con attacchi multipli, mostrano che il metodo proposto offre performance paragonabili e in alcuni casi superiori rispetto alle tecniche tradizionali. I risultati confermano il potenziale del Continual Learning per migliorare l'adattabilità e l'efficacia dei sistemi di Intrusion Detection di fronte a minacce in continua evoluzione.